开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 自然语言处理NLP星空智能对话机器人系列：深入理解Transformer自然语言处理位置编码（positional_encoding） -> 正文阅读

[人工智能]自然语言处理NLP星空智能对话机器人系列：深入理解Transformer自然语言处理位置编码（positional_encoding）

自然语言处理NLP星空智能对话机器人系列：深入理解Transformer自然语言处理位置编码（positional_encoding）

NLTK自然语言工具包

NLTK是构建Python程序以处理人类语言数据的领先平台。它为50多个语料库和词汇资源（如WordNet）提供了易于使用的界面，以及一套用于分类、标记、词干、标记、解析和语义推理的文本处理库、工业级NLP库包装器和一个活跃的讨论论坛。NLTK适合语言学家、工程师、学生、教育工作者、研究人员和行业用户。NLTK可用于Windows、Mac OS X和Linux。最重要的是，NLTK是一个免费、开源、社区驱动的项目。NLTK被称为“使用Python进行计算语言学教学和工作的最佳工具”，以及“使用自然语言的最佳库”

Python的自然语言处理提供了语言处理编程的实用介绍。由NLTK的创作者编写，它指导读者完成编写Python程序、使用语料库、对文本进行分类、分析语言结构等基础知识。该书的在线版本已经针对Python 3和NLTK 3进行了更新。（Python2的原始版本在http://nltk.org/book_1ed.)

在这里插入图片描述
Natural Language Processing with Python
— Analyzing Text with the Natural Language Toolkit
Steven Bird, Ewan Klein, and Edward Loper

NLTK数据集

本文案例需使用nltk_data数据集，nltk_data数据集可以通过以下几种方式下载：

从nltk官网直接下载
通过nltk下载工具进行下载
从网盘下载nltk数据集

方法一：从nltk官网直接下载：登录nltk官网，单击到数据下载链接
http://www.nltk.org/data.html
在这里插入图片描述
登录到nltk数据下载链接，单击download链接下载数据。
http://www.nltk.org/nltk_data/

方法二：通过nltk下载工具进行下载
在python的交互提示符中输入命令import nltk 及 nltk.download()，在windows系统中会弹出 NLTK Downloader工具，设置Server Index的链接地址http://www.nltk.org/nltk_data/，选择数据集进行下载。

(base) C:\Users\admin>python
Python 3.8.8 (default, Apr 13 2021, 15:08:03) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import nltk
>>> nltk.download()

在这里插入图片描述
在jupyter notebook中下载nltk数据集。

!pip install gensim==3.8.3
import torch
import nltk
nltk.download('punkt')

Requirement already satisfied: gensim==3.8.3 in e:\anaconda3\envs\my_star_space\lib\site-packages (3.8.3)
Requirement already satisfied: six>=1.5.0 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (1.15.0)
Requirement already satisfied: smart-open>=1.8.1 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (5.2.1)
Requirement already satisfied: scipy>=0.18.1 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (1.5.2)
Requirement already satisfied: Cython==0.29.14 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (0.29.14)
Requirement already satisfied: numpy>=1.11.3 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (1.19.5)
[nltk_data] Error loading punkt: <urlopen error [Errno 11004]
[nltk_data]     getaddrinfo failed>

方法三：已从网上收集nltk_data.zip及sentiwordnet.zip，放到网盘里面，读者可以从网盘下载nltk数据集。

从AI studio环境收集nltk的sentiwordnet数据集

aistudio@jupyter-112853-2339160:~$ 
aistudio@jupyter-112853-2339160:~$ python
Python 3.7.4 (default, Aug 13 2019, 20:35:49) 
[GCC 7.3.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import nltk 
>>> nltk.download('sentiwordnet')
[nltk_data] Downloading package sentiwordnet to
[nltk_data]     /home/aistudio/nltk_data...

[nltk_data]   Unzipping corpora/sentiwordnet.zip.
True

nltk_data 网盘数据集下载
链接：https://pan.baidu.com/s/1t1mhl7Vob4Tmx49fzugDbQ
提取码：nfls

将nltk_data数据集下载到本地电脑，需确定数据集存放的文件目录，可以通过以下代码，从报错提示中查询python加载数据的目录信息，将下载的nltk数据集放到相应的目录就可以。

import nltk
nltk.word_tokenize("A pivot is the pin or the central point on which something balances or turns")

提示如下：

---------------------------------------------------------------------------
LookupError                               Traceback (most recent call last)
<ipython-input-2-1fa24f4409cc> in <module>
      1 import nltk
----> 2 nltk.word_tokenize("A pivot is the pin or the central point on which something balances or turns")

e:\anaconda3\envs\my_star_space\lib\site-packages\nltk\tokenize\__init__.py in word_tokenize(text, language, preserve_line)
    128     :type preserve_line: bool
    129     """
.......

e:\anaconda3\envs\my_star_space\lib\site-packages\nltk\data.py in _open(resource_url)
    873 
    874     if protocol is None or protocol.lower() == "nltk":
--> 875         return find(path_, path + [""]).open()
    876     elif protocol.lower() == "file":
    877         # urllib might not use mode='rb', so handle this one ourselves:

e:\anaconda3\envs\my_star_space\lib\site-packages\nltk\data.py in find(resource_name, paths)
    581     sep = "*" * 70
    582     resource_not_found = "\n%s\n%s\n%s\n" % (sep, msg, sep)
--> 583     raise LookupError(resource_not_found)
    584 
    585 

LookupError: 
**********************************************************************
  Resource punkt not found.
  Please use the NLTK Downloader to obtain the resource:

  >>> import nltk
  >>> nltk.download('punkt')
  
  For more information see: https://www.nltk.org/data.html

  Attempted to load tokenizers/punkt/english.pickle

  Searched in:
    - 'C:\\Users\\admin/nltk_data'
    - 'e:\\anaconda3\\envs\\my_star_space\\nltk_data'
    - 'e:\\anaconda3\\envs\\my_star_space\\share\\nltk_data'
    - 'e:\\anaconda3\\envs\\my_star_space\\lib\\nltk_data'
    - 'C:\\Users\\admin\\AppData\\Roaming\\nltk_data'
    - 'C:\\nltk_data'
    - 'D:\\nltk_data'
    - 'E:\\nltk_data'
    - ''
**********************************************************************

将nltk_data解压文件放到相应的目录E:\anaconda3\envs\my_star_space\nltk_data
在这里插入图片描述

位置编码（Positional encoding）

我们输入Transformer的位置编码函数时不知道单词在序列中的位置：
在这里插入图片描述

我们无法创建独立的位置向量，对于Transformer的训练速度导致较高的成本，使注意子层非常复杂。
Transformer的思想是向输入中添加位置编码值，而不是用额外的向量来描述序列中标记的位置。
Transformer需要一个固定大小的dmodel=512（或其他维度），位置编码函数输出的每个向量的值。
-回到单词嵌入子层中使用的句子，我们可以看到黑色black 和棕色brown 可能相似，但它们相距甚远。

The black cat sat on the couch and the brown dog slept on the rug.

问题是要找到一种方法为每个单词的单词嵌入增加一个值，这样就有了位置信息。但是，我们需要向dmodel=512添加一个值，对于每个单词嵌入向量，找到一种方法，对于范围为（0，512）维的单词嵌入向量的每个i向量提供相应的信息。
实现这一目标有很多方法，论文作者找到了一种巧妙的使用方法，用正弦和余弦值表示位置编码，非常小，但非常有用。
Vaswani et al. (2017) 提供正弦和余弦函数，以便生成每个位置的位置编码（PE，positional encoding） dmodel=512

在这里插入图片描述

如果我们从单词嵌入向量的起始位置开始，以常数（512），i=0，以i=511结束。这意味着正弦函数将应用于偶数，余弦函数应用于奇数。
一些实现方式有所不同，在这种情况下，正弦函数的域可以是
i ∈ [0，255]，余弦函数的域是 i∈ [256,512]. 这将产生类似的结果。
在本文中，我们将按照Vaswani描述的方式（Vaswani
et al. (2017).）使用这些函数

def positional_encoding(pos,pe):
    for i in range(0, 512,2):
        pe[0][i] = math.sin(pos / (10000 ** ((2 * i)/d_model)))
        pe[0][i+1] = math.cos(pos / (10000 ** ((2 * i)/d_model)))
    return pe

在python中使用正弦函数，测试一下官网的实例

import math
t=[]
m=[]
for x in range(-100, 100,1):
    #print(x)
    t.append(x)
    y=math.sin(2/10000**(2*x/512)) 
    m.append(y) 
plt.plot(t,m,'-r')
plt.show()

pos=2运行结果如下：
在这里插入图片描述
pos=10的运行结果

import math
t=[]
m=[]
for x in range(-100, 100,1):
    #print(x)
    t.append(x)
    y=math.sin(10/10000**(2*x/512)) 
    m.append(y) 
plt.plot(t,m,'-r')
plt.show()

在这里插入图片描述

自己测试一下各种组合方法，按奇数偶数分别使用正弦、余弦计算

import math
t=[]
m=[]
for x in range(0, 100,2):
    #print(x)
    t.append(x)
    t.append(x+1) 
    y= math.sin(2 / (10000 ** ((2 * x)/512)))
    y_1 = math.cos(2 / (10000 ** ((2 * x)/512))) 
    m.append(y)
    m.append(y_1)
plt.plot(t,m,'-r')
plt.show()

打印结果如下：
在这里插入图片描述
测试一下只使用正弦函数的情况

import math
t=[]
m=[]
for x in range(0, 100,2):
    #print(x)
    t.append(x)
    t.append(x+1) 
    y= math.sin(2 / (10000 ** ((2 * x)/512))) 
    #y_1 = math.cos(2 / (10000 ** ((2 * a/512))) 
    m.append(y)
    m.append(y_1)
plt.plot(t,m,'-r')
plt.show()

运行结果如下
在这里插入图片描述
回到本文中分析的句子，我们可以看到黑色（black）是在位置2处，棕色（brown）在位置10处：

The black cat sat on the couch and the brown dog slept on the rug.

如果我们将正弦和余弦函数应用于pos=2，则得到的大小为512位置编码向量：

PE(2)=
[[ 9.09297407e-01 -4.16146845e-01 9.58144367e-01 -2.86285430e-01
9.87046242e-01 -1.60435960e-01 9.99164224e-01 -4.08766568e-02
9.97479975e-01 7.09482506e-02 9.84703004e-01 1.74241230e-01
9.63226616e-01 2.68690288e-01 9.35118318e-01 3.54335666e-01
9.02130723e-01 4.31462824e-01 8.65725577e-01 5.00518918e-01
8.27103794e-01 5.62049210e-01 7.87237823e-01 6.16649508e-01
7.46903539e-01 6.64932430e-01 7.06710517e-01 7.07502782e-01
…
5.47683925e-08 1.00000000e+00 5.09659337e-08 1.00000000e+00
4.74274735e-08 1.00000000e+00 4.41346799e-08 1.00000000e+00
4.10704999e-08 1.00000000e+00 3.82190599e-08 1.00000000e+00
3.55655878e-08 1.00000000e+00 3.30963417e-08 1.00000000e+00
3.07985317e-08 1.00000000e+00 2.86602511e-08 1.00000000e+00
2.66704294e-08 1.00000000e+00 2.48187551e-08 1.00000000e+00
2.30956392e-08 1.00000000e+00 2.14921574e-08 1.00000000e+00]]

也可获得位置10的位置编码向量 size=512，位置=10：

PE(10)=
[[-5.44021130e-01 -8.39071512e-01 1.18776485e-01 -9.92920995e-01
6.92634165e-01 -7.21289039e-01 9.79174793e-01 -2.03019097e-01
9.37632740e-01 3.47627431e-01 6.40478015e-01 7.67976522e-01
2.09077001e-01 9.77899194e-01 -2.37917677e-01 9.71285343e-01
-6.12936735e-01 7.90131986e-01 -8.67519796e-01 4.97402608e-01
-9.87655997e-01 1.56638563e-01 -9.83699203e-01 -1.79821849e-01
…
2.73841977e-07 1.00000000e+00 2.54829672e-07 1.00000000e+00
2.37137371e-07 1.00000000e+00 2.20673414e-07 1.00000000e+00
2.05352507e-07 1.00000000e+00 1.91095296e-07 1.00000000e+00
1.77827943e-07 1.00000000e+00 1.65481708e-07 1.00000000e+00
1.53992659e-07 1.00000000e+00 1.43301250e-07 1.00000000e+00
1.33352145e-07 1.00000000e+00 1.24093773e-07 1.00000000e+00
1.15478201e-07 1.00000000e+00 1.07460785e-07 1.00000000e+00]]

用于单词嵌入的余弦相似函数非常方便，更好地显示位置的接近程度

cosine_similarity(pos(2), pos(10)= [[0.8600013]]

black和brown两个词的位置相似性与词汇的相似性（组合在一起的词组）不同：

cosine_similarity(black, brown)= [[0.9998901]]

位置的编码显示出比单词更低的相似度值，位置编码将这些单词分开，单词嵌入的词向量会因用于训练它们的语料库而不同。现在的问题是如何将位置编码添加到单词嵌入向量中。

Adding positional encoding to the embedding vector

Transformer的作者找到了一种简单的方法，只需添加位置编码向量到单词嵌入向量：
在这里插入图片描述

星空智能对话机器人系列博客

人工智能最新文章

2022吴恩达机器学习课程——第二课（神经网

第十五章规则学习

FixMatch: Simplifying Semi-Supervised Le

数据挖掘Java——Kmeans算法的实现

大脑皮层的分割方法

【翻译】GPT-3是如何工作的

论文笔记:TEACHTEXT: CrossModal Generaliz

python从零学（六）

详解Python 3.x 导入(import)

【答读者问27】backtrader不支持最新版本的

加:2021-09-13 09:16:52 更:2021-09-13 09:18:32

360图书馆购物三丰科技阅读网日历万年历 2024年11日历

-2024/11/19 16:37:37-

图片自动播放器
↓图片自动播放器↓

TxT小说阅读器
↓语音阅读,小说下载,古典文学↓

一键清除垃圾
↓轻轻一点,清除系统垃圾↓

图片批量下载器
↓批量下载图片,美女图库↓

网站联系: qq:121756557 email:121756557@qq.com IT数码

[人工智能]自然语言处理NLP星空智能对话机器人系列：深入理解Transformer自然语言处理 位置编码（positional_encoding）